這是機器未來的第44篇文章

原文首發地址：https://blog.csdn.net/RobotFutures/article/details/126615267

1. 概述

本文以鳶尾花的數據預處理為例，描述了科學計算在機器學習使用的示例。

2. 加載數據集

以鳶尾花數據集為例。
鳶尾花數據集有4個特征，1個標簽，特征為sepal_length,sepal_width,petal_length,petal_width，分別為花萼長度、花萼寬度，花瓣長度、花瓣寬度，標簽為鳶尾花的分類，0,1,2分別代表山鳶尾（Setosa）、變色鳶尾（Versicolor）、維吉尼亞鳶尾（Virginical）

import numpy as np

data = []
with open(file='iris.txt',mode='r') as f:
    f.readline()
    while True:
        line = f.readline()
        if line:
            data.append(line.strip().split(','))
        else:
            break

data = np.array(data,dtype=float)

# 使用切片提取前4列數據作為特征數據
X_data = data[:, :4]  # 或者 X_data = data[:, :-1]

# 使用切片提取最后1列數據作為標簽數據
y_data = data[:, -1]

data.shape, X_data.shape, y_data.shape

((150, 5), (150, 4), (150,))

3. 查看數據特征

3.1 查看首5行數據

X_data[0:5], y_data[0:5]

(array([[5.1, 3.5, 1.4, 0.2],
        [4.9, 3. , 1.4, 0.2],
        [4.7, 3.2, 1.3, 0.2],
        [4.6, 3.1, 1.5, 0.2],
        [5. , 3.6, 1.4, 0.2]]),
 array([0., 0., 0., 0., 0.]))

3.2 查看數據集每個特征的最大值

# axis = 0指定X軸，取每列的最大值
np.max(X_data, axis=0)

array([7.9, 4.4, 6.9, 2.5])

上面的取值就是每個特征的最大值，數據集的花萼長度最大值為7.9，花萼寬度最大值為4.4，花瓣長度最大值為6.9，花瓣寬度最大值為2.5

如果去掉軸axis參數，就是取數據集所有數據中的最大值，會綜合所有列一起的最大值。

np.max(X_data)

7.9

3.3 查看每個特征的最小值

np.min(X_data, axis=0)

array([4.3, 2. , 1. , 0.1])

上面的取值就是每個特征的最小值，數據集的花萼長度最小值為4.3，花萼寬度最小值為2，花瓣長度最小值為1，花瓣寬度最小值為0.1

3.4 查看特征均值

np.mean(X_data, axis=0)

array([5.84333333, 3.05733333, 3.758     , 1.19933333])

3.5 查看特征百分位數

百分位數是統計中使用的度量，表示小于這個值的觀察值樣本數量占總體的百分比。

# 25%
np.percentile(X_data, 0.25, axis=0)

array([4.33725, 2.0745 , 1.03725, 0.1    ])

# 50%
np.percentile(X_data, 0.50, axis=0)

array([4.3745, 2.149 , 1.0745, 0.1   ])

# 75%
np.percentile(X_data, 0.75, axis=0)

array([4.4    , 2.2    , 1.11175, 0.1    ])

3.6 查看特征數據分布波動

np.std(X_data, axis=0)

array([0.82530129, 0.43441097, 1.75940407, 0.75969263])

從標準差可以看到特征花萼寬度標準差為0.43441097數據波動最小，花瓣長度標準差數據為1.75940407，數據波動最大。

3.8 查看特征樣本數量

X_data.shape

(150, 4)

可以看到樣本數量為150，每個樣本4個特征

3.9 查看標簽數據分布

通過np.unique分別獲得唯一ID和對應的樣本數量，然后通過zip、dict轉換為字典。

unique, count = np.unique(y_data, return_counts=True)
label_count = dict(zip(unique, count))
label_count

{0.0: 50, 1.0: 50, 2.0: 50}

可以看到標簽是均衡的，每個分類的樣本數均是50.

4. 其它常用的科學函數

函數	說明	示例
np.sum	求累加	np.sum((y_pred - y_data)**2)
np.exp	以自然常數e為底的指數函數	np.exp**2
np.var	求方差	np.var(X_data, axis=0)
np.round	四舍五入	np.round(np.var(X_data, axis=0), decimals=2)
np.square	求平方	np.square(X_data)
np.abs	求絕對值	np.abs([1, -1, -7.9, 6])
np.argmax	求最大值的位置索引	np.argmax(X_data, axis=0)
np.argmin	求最小值的位置索引	np.argmin(X_data, axis=0)
…

5. 總結

以上就是numpy科學函數的簡單介紹，更多api在將來的使用中再描述。

寫在末尾：

• 博客簡介：專注AIoT領域，追逐未來時代的脈搏，記錄路途中的技術成長！
• 專欄簡介：從0到1掌握數據科學常用庫Numpy、Matploblib、Pandas。
• 面向人群：AI初級學習者
• 專欄計劃：接下來會逐步發布跨入人工智能的系列博文，敬請期待
  • Python零基礎快速入門系列
  • Python數據科學系列
  • 人工智能開發環境搭建系列
  • 機器學習系列
  • 物體檢測快速入門系列
  • 自動駕駛物體檢測系列
  • …